EEGスキャナーのイメージング技術、フォワードモデル計算方法、および配列の次元への依存の評価

EEG源の再構築には、非常に不適切であり、一般的に固定された順方向伝播モデルに依存する逆問題を解決することが含まれます。この貢献では、正しいフォワードモデリングに依存している低密度と高密度のEEGセットアップを比較します。具体的には、4つの逆ソルバーの最小ノーム、ロレタ、最小分散適応ビームフォーカー、およびスパースベイジアン学習を使用して得られたソース推定値に、異なる前方モデルがどのように影響するかを調べます。

EEG source reconstruction involves solving an inverse problem that is highly ill-posed and dependent on a generally fixed forward propagation model. In this contribution we compare a low and high density EEG setup's dependence on correct forward modeling. Specifically, we examine how different forward models affect the source estimates obtained using four inverse solvers Minimum-Norm, LORETA, Minimum-Variance Adaptive Beamformer, and Sparse Bayesian Learning.